Promotionsvortrag von Moritz Rempe

Die Magnetresonanztomographie (MRT) ist ein etabliertes bildgebendes Verfahren in der modernen Medizin, jedoch führt die gängige Praxis, Rohdaten aus dem k-Raum nach der Bildrekonstruktion zu verwerfen, zu einer erheblichen Unterausnutzung wertvoller Informationen. Dieser k-Raum, enthält von Natur aus reichhaltigere Informationen als das reine Magnitudenbild, einschließlich entscheidender Phasendaten. Durch den Fokus auf die Verarbeitung in der Bilddomäne gehen diese zusätzlichen Informationen häufig verloren. Wir stellen die Hypothese auf, dass durch diesen Informationsverlust das Potenzial für effizientere oder tiefgreifendere diagnostische Einblicke oft nicht realisiert wird. Diese Dissertation stellt sich dieser Herausforderung, indem sie Hypothesen untersucht, die sich auf das ungenutzte Potenzial des k-Raums konzentrieren. Erstens stellen wir die Hypothese auf, dass es vorteilhaft ist, klinische Aufgaben wie Segmentierung und Klassifizierung direkt an komplexwertigen k-Raum-Daten durchzuführen. Zweitens schlagen wir vor, dass der Engpass der Datenknappheit beim Deep Learning mit MRT-Rohdaten durch die Entwicklung von generativen Modellen, die realistische MRT-Rohdaten synthetisieren, überwunden werden kann.
Zur Überprüfung dieser Hypothesen präsentiert diese Arbeit einen Zyklus von miteinander verbundenen Projekten. Die erste Hypothese wird durch „k-Strip“ validiert, einer neuartigen komplexwertigen U-Net-Architektur für die direkte Segmentierung im k-Raum. Angewendet auf das Skull-Stripping, erreicht diese Architektur eine mit etablierten Methoden in der Bilddomäne vergleichbare Leistung, bewahrt dabei wertvolle Phasendaten und ermöglicht durch die Verarbeitung nicht-menschenlesbarer Daten eine direkte Anonymisierung. Die Untersuchung wird auf die klinische Klassifikation ausgeweitet, bei der ein Modell, das k-Raum-Daten zur Schätzung der Wahrscheinlichkeit von Prostatakrebs nutzt, eine verbesserte Vorhersagegenauigkeit zeigt, insbesondere unter beschleunigten Akquisitionsszenarien, was schnellere und robustere diagnostische Wege verspricht.
Um der Datenknappheit im Deep Learning mit MRT-Rohdaten zu begegnen, wurde ein neuartiges, komplexwertiges generatives Diffusionsmodell namens „PhaseGen“ entwickelt. PhaseGen synthetisiert realistische MRT-Rohdaten, indem es gezielt Phaseninformationen aus verfügbaren Betragsbildern generiert, was die Erstellung großer synthetischer Datensätze für das Pre-Training ermöglicht. Seine Wirksamkeit zeigt sich in der verbesserten Generalisierung des „k-Strip“-Modells auf realen Daten und dadurch, dass MRT-Rekonstruktionsmodelle eine mit dem Training auf vollständigen realen Daten vergleichbare Leistung erzielen können, selbst wenn sie mit synthetischen Daten erweitert werden und nur auf 10–15 % der realen Daten zugreifen.
Schließlich werden diese Methoden in ein öffentlich verfügbares De-Identifizierungswerkzeug integriert. Diese Software erweitert Anonymisierungsprotokolle einzigartig auf MRT-Rohdaten und umfasst sowohl die Bereinigung von Metadaten als auch die Entfernung von Merkmalen im k-Raum mithilfe des mit PhaseGen trainierten k-Strip-Modells, was einen sichereren Datenaustausch und eine kollaborative Forschung erleichtert.
Zusammenfassend liefert diese Arbeit durch die Bestätigung der aufgestellten Hypothesen ein grundlegendes Rahmenwerk und praktische Werkzeuge, um das volle Potenzial des MRT-k-Raums mittels komplexwertigem Deep Learning auszuschöpfen und so den Weg für eine effizientere und erkenntnisreichere medizinische Bildgebung zu ebnen.